这个问题已经在这里有一个答案：
- 可以在两个字符串之间计数字节匹配使用SIMD进行优化？ 3个回答
我写的函数int compare_16bytes(__m128i lhs, __m128i rhs) ，以比较使用SSE指令两个16字节的数字：该函数返回多少字节进行比较后相等。
现在我想用上面的功能，以比较任意长度的两个字节数组：长度可能不是16个字节的倍数，所以我需要处理这个问题。 我怎么能完成以下功能的实现？ 我怎么能改善以下功能？
int fast_compare(const char* s, const char* t, int length)
{
int result = 0;
const char* sPtr = s;
const char* tPtr = t;
while(...)
{
const __m128i* lhs = (const __m128i*)sPtr;
const __m128i* rhs = (const __m128i*)tPtr;
// compare the next 16 bytes of s and t
result += compare_16bytes(*lhs,*rhs);
sPtr += 16;
tPtr += 16;
}
return result;
}
作为@Mysticial在评论中说上面，做的比较和纵向总结，然后只在主循环的末尾水平总结：
#include <stdio.h>
#include <stdlib.h>
#include <time.h>
#include <emmintrin.h>
// reference implementation
int fast_compare_ref(const char *s, const char *t, int length)
{
int result = 0;
int i;
for (i = 0; i < length; ++i)
{
if (s[i] == t[i])
result++;
}
return result;
}
// optimised implementation
int fast_compare(const char *s, const char *t, int length)
{
int result = 0;
int i;
__m128i vsum = _mm_set1_epi32(0);
for (i = 0; i < length - 15; i += 16)
{
__m128i vs, vt, v, vh, vl, vtemp;
vs = _mm_loadu_si128((__m128i *)&s[i]); // load 16 chars from input
vt = _mm_loadu_si128((__m128i *)&t[i]);
v = _mm_cmpeq_epi8(vs, vt); // compare
vh = _mm_unpackhi_epi8(v, v); // unpack compare result into 2 x 8 x 16 bit vectors
vl = _mm_unpacklo_epi8(v, v);
vtemp = _mm_madd_epi16(vh, vh); // accumulate 16 bit vectors into 4 x 32 bit partial sums
vsum = _mm_add_epi32(vsum, vtemp);
vtemp = _mm_madd_epi16(vl, vl);
vsum = _mm_add_epi32(vsum, vtemp);
}
// get sum of 4 x 32 bit partial sums
vsum = _mm_add_epi32(vsum, _mm_srli_si128(vsum, 8));
vsum = _mm_add_epi32(vsum, _mm_srli_si128(vsum, 4));
result = _mm_cvtsi128_si32(vsum);
// handle any residual bytes ( < 16)
if (i < length)
{
result += fast_compare_ref(&s[i], &t[i], length - i);
}
return result;
}
// test harness
int main(void)
{
const int n = 1000000;
char *s = malloc(n);
char *t = malloc(n);
int i, result_ref, result;
srand(time(NULL));
for (i = 0; i < n; ++i)
{
s[i] = rand();
t[i] = rand();
}
result_ref = fast_compare_ref(s, t, n);
result = fast_compare(s, t, n);
printf("result_ref = %d, result = %d\n", result_ref, result);;
return 0;
}
编译并运行上述测试工具：
$ gcc -Wall -O3 -msse3 fast_compare.c -o fast_compare
$ ./fast_compare
result_ref = 3955, result = 3955
$ ./fast_compare
result_ref = 3947, result = 3947
$ ./fast_compare
result_ref = 3945, result = 3945
请注意，在上述SSE代码的一个可能的非显而易见的特技在这里我们使用_mm_madd_epi16解包和累积16位0 / -1值以32位部分和。 我们利用这样一个事实-1*-1 = 1 （和0*0 = 0 ，当然） -我们并不是真的做乘法这里，刚刚开箱和在一个指令总结。
更新：由于在下面的评论中指出，该方案不是最优的 - 我只花了相当最佳的16位解决方案，并加入8位到16位的拆包，使之成为8位的数据。 然而，对于8个数据有更有效的方法，例如使用psadbw / _mm_sad_epu8 。 我将在这里离开这个答案留给后人，和任何人谁可能想要做这种事情与16位数据，但不要求拆包输入数据应该是公认的答案其他的答案真的之一。
在16×UINT8元素使用部分和可给予更为出色的表现。
我已分割循环到内环和外环。
内回路总和UINT8元件（每个元件UINT8可以总结到255的“1”）。
小窍门：_mm_cmpeq_epi8设置为等于元件为0xFF，和（炭）为0xFF = -1，所以可以减去总和的结果（减去-1用于添加1）。
这里是我的fast_compare优化的版本：
int fast_compare2(const char *s, const char *t, int length)
{
int result = 0;
int inner_length = length;
int i;
int j = 0;
//Points beginning of 4080 elements block.
const char *s0 = s;
const char *t0 = t;
__m128i vsum = _mm_setzero_si128();
//Outer loop sum result of 4080 sums.
for (i = 0; i < length; i += 4080)
{
__m128i vsum_uint8 = _mm_setzero_si128(); //16 uint8 sum elements (each uint8 element can sum up to 255).
__m128i vh, vl, vhl, vhl_lo, vhl_hi;
//Points beginning of 4080 elements block.
s0 = s + i;
t0 = t + i;
if (i + 4080 <= length)
{
inner_length = 4080;
}
else
{
inner_length = length - i;
}
//Inner loop - sum up to 4080 (compared) results.
//Each uint8 element can sum up to 255. 16 uint8 elements can sum up to 255*16 = 4080 (compared) results.
//////////////////////////////////////////////////////////////////////////
for (j = 0; j < inner_length-15; j += 16)
{
__m128i vs, vt, v;
vs = _mm_loadu_si128((__m128i *)&s0[j]); // load 16 chars from input
vt = _mm_loadu_si128((__m128i *)&t0[j]);
v = _mm_cmpeq_epi8(vs, vt); // compare - set to 0xFF where equal, and 0 otherwise.
//Consider this: (char)0xFF = (-1)
vsum_uint8 = _mm_sub_epi8(vsum_uint8, v); //Subtract the comparison result - subtract (-1) where equal.
}
//////////////////////////////////////////////////////////////////////////
vh = _mm_unpackhi_epi8(vsum_uint8, _mm_setzero_si128()); // unpack result into 2 x 8 x 16 bit vectors
vl = _mm_unpacklo_epi8(vsum_uint8, _mm_setzero_si128());
vhl = _mm_add_epi16(vh, vl); //Sum high and low as uint16 elements.
vhl_hi = _mm_unpackhi_epi16(vhl, _mm_setzero_si128()); //unpack sum of vh an vl into 2 x 4 x 32 bit vectors
vhl_lo = _mm_unpacklo_epi16(vhl, _mm_setzero_si128()); //unpack sum of vh an vl into 2 x 4 x 32 bit vectors
vsum = _mm_add_epi32(vsum, vhl_hi);
vsum = _mm_add_epi32(vsum, vhl_lo);
}
// get sum of 4 x 32 bit partial sums
vsum = _mm_add_epi32(vsum, _mm_srli_si128(vsum, 8));
vsum = _mm_add_epi32(vsum, _mm_srli_si128(vsum, 4));
result = _mm_cvtsi128_si32(vsum);
// handle any residual bytes ( < 16)
if (j < inner_length)
{
result += fast_compare_ref(&s0[j], &t0[j], inner_length - j);
}
return result;
}
对于大的输入的最快方式是Rotem公司的回答，其中所述内环是pcmpeqb / psubb ，向量累加器溢出的任何字节元素之前打破以水平总和。 做无符号字节HSUM与psadbw针对全零向量。
另请参阅如何计算使用SIMD角色出现 ，在那里你可以使用C ++与内在的AVX2计数匹配使用来自另一个数组，而不是这个问题的加载的矢量_mm_set1_epi8(char_to_count) 有效地增加了比较的结果是一样的，采用psadbw的水平总和。
如果没有展开/嵌套循环，最好的选择可能是
pcmpeqb -> vector of 0 or 0xFF elements
psadbw -> two 64bit sums of (0*no_matches + 0xFF*matches)
paddq -> accumulate the psadbw result in a vector accumulator
#outside the loop:
horizontal sum
divide the result by 255
如果你没有在循环了很多寄存器的压力， psadbw针对向量0x7f ，而不是全零。
-
psadbw(0x00, set1(0x7f)) => sum += 0x7f -
psadbw(0xff, set1(0x7f)) => sum += 0x80
因此，而不是由255分（编译器应该高效地完成没有实际的div ），你只需要减去n * 0x7f ，其中n是元素的数量。
还要注意的是paddq是前期的Nehalem和Atom慢，所以你可以使用paddd （ _mm_add_epi32 ），如果你不希望128 *计数永远溢出32位整数。
与此相比非常好，保罗的r pcmpeqb / 2X punpck / 2X pmaddwd / 2X paddw 。
但随着小UNROLL，你可以积累4或8个比较结果psubb psadbw / paddq之前。
在SSE的整数比较产生字节，要么全零或全1。 如果你想算，你首先需要右移（不是算术）的比较结果7，然后添加到结果向量。 最后，你还需要通过总结它的元素，以减少结果向量。 这种降低在标量的代码来完成，或者用加/移位的序列。 通常，这部分是不值得担忧。
